某工廠有一個試點專案，使用 AWS IoT Greengrass 在工業 PC 上執行影像推論，將影像上傳到 S3 並呼叫 SageMaker 端點。當擴展到數千台機器時，網際網路頻寬變得飽和，且延遲無法接受。降低延遲並解決網路容量問題最具成本效益的方法是什麼？

正確答案是將推論 Lambda 和模型部署到每個工業 PC 上執行的 AWS IoT Greengrass Core 本地。這樣做可以讓推論在邊緣設備上本地執行，大幅減少需要上傳到雲端的數據量，從而解決網路頻寬飽和和延遲問題。結果可以直接在現場使用，無需等待雲端處理。 選項一和選項三都建議增加網路頻寬或使用 Direct Connect，這雖然能改善網路問題，但成本高昂，且並未從根本上解決數據量過大的問題。在數千台設備的規模下，這些方案可能仍會面臨頻寬限制和高成本。 選項二建議壓縮影像，這可以減少上傳數據量，但仍需要將影像上傳到雲端進行推論，並在雲端進行解壓縮，這仍然會產生延遲，且增加了雲端處理的複雜性。